Страница 12 из 15
Таблица 1. Сравнение понятий «малые» и «большие» данные[110]
После 2000 года ландшафт городских данных изменился, произошли значительные трансформации как в природе данных, так и в способах их производства, а именно – переход от малых к большим данным. Это означает, что производство данных становится непрерывным, обеспечивает полное покрытие в рамках одной системы, характеризуется высоким разрешением, связностью и подвижностью (см. таблицу 1) и охватывает различные сферы[111]. Ситуация относительного недостатка данных сменяется их переизбытком. Это в первую очередь относится к оперативным городским данным, поскольку традиционная инфраструктура города, включая транспорт (шоссе, железные дороги, автобусные маршруты, а также транспортные средства) и коммунальные службы (электроэнергия, вода, свет), превратилась в цифровую сеть, снабженную системами встроенных датчиков, механизмов управления, сканирующих устройств, приемоответчиков, камер, счетчиков и систем GPS, производящих непрерывный поток данных о состоянии и использовании инфраструктуры (и образующих интернет-вещей). Многие из этих систем производят персонифицированные данные, отслеживая проездные документы отдельных пассажиров, номерные знаки автомобилей, идентификаторы мобильных телефонов, лица и походку, автобусы/поезда/такси, показания счетчиков и т. п.[112] Все это совмещается с «большими данными», генерируемыми коммерческими компаниями, такими как операторы мобильной связи (местоположение, использование приложений), сайтами о путешествиях и гостиницах (отзывы), социальными медиа (мнения, фотографии, персональная информация, местоположение), поставщиками транспортных услуг (маршруты, пассажиропотоки), владельцами сайтов (история действий пользователей), финансовыми учреждениями и сетями розничной торговли (покупки), частными системами наблюдения и охранными предприятиями (местоположение, поведение), которые все чаще продают или отдают в лизинг свои данные, используя дата-брокеров, или открывают свои данные при помощи API (как в случае с Twitter или Foursquare). Большие данные также генерируются с помощью краудсорсинга (в таких проектах, например, как Open Street Map) и проектов гражданской науки (например, при помощи персональных метеостанций), когда люди общими усилиями создают информационный ресурс или собирают данные, будучи волонтерами. Другие виды данных, собираемые менее систематически, включают цифровую аэрофотосъемку с самолетов или беспилотных устройств, географическую видеосъемку, использование технологии LiDAR (световое обнаружение и ранжирование), тепловые и другие способы электромагнитного сканирования местности, позволяющие создавать 2D- и 3D-карты в реальном времени. И если официальной статистике в основном еще только предстоит пережить информационную революцию[113], то использование онлайн-транзакций электронного правительства (e-government), в которых цифровые данные производятся в момент завершения операции, уже изменило способы сбора данных, практикуемые городскими администрациями.
Мы находимся на пороге новой эры больших данных, когда объем и разнообразие информации о городе будут только возрастать. Более того, если сейчас значительная часть этих данных находится в хранилищах, их сложно интегрировать и увязать между собой из‐за различий в используемых стандартах и форматах, впоследствии они будут все больше объединяться в централизованные системы, такие как межведомственные диспетчерские (inter-agency control rooms), осуществляющие мониторинг города как единого целого. Например, такой диспетчерской города является Centro de Operações Prefeitura do Rio de Janeiro (Рио-де-Жанейро, Бразилия) – основанный на данных центр управления, в штате которого 180 сотрудников. В эту диспетчерскую в режиме реального времени собирается информация от 30 ведомств, включающая данные о дорожном движении и системе общественного транспорта, данные от муниципальных и коммунальных служб, служб безопасности и экстренной помощи, сведения о погоде, информация, производимая служащими и горожанами с помощью социальных медиа, а также административные и статистические данные. Другим примером могут служить так называемые городские операционные системы, такие как CityNext от Microsoft, Smarter City от IBM, City Operating System от Urbiotica и Urban Operating System от PlanIT. Фактически они представляют собой разработанные для координирования и контроля деятельности крупных компаний системы планирования ресурсов бизнес-предприятий (ERP), перепрофилированные для нужд города. По мере распространения движения за открытость данных какая-то часть этой информации будет поступать на открытые для горожан панели управления и мониторинга (city dashboards), на которых в режиме реального времени будут транслироваться интерактивные визуализации данных официальной статистики и городских администраций[114].
Далее для извлечения информации из очень больших, динамичных массивов данных был создан новый комплекс инструментов анализа: 1) анализ данных и распознавание образов; 2) визуализация данных и визуальная аналитика; 3) статистический анализ; 4) прогнозирование, симуляция и оптимизация[115]. Эти аналитические инструменты опираются на машинное обучение (искусственный интеллект) и значительно повышают компьютерные возможности обработки и анализа данных. Более того, они открывают новый формат для науки, которая уже не только опирается на данные и не столько ведома теорией, но ищет пути формулирования гипотез и идей напрямую «из данных»[116]. Это ведет к развитию «городской информатики» (urban informatics)[117] – подхода к изучению и описанию городских процессов, основанного на информационных феноменах и интеграциях между человеком и компьютером, а также «точной науки о городе» (urban science) – подхода к пониманию и объяснению городских процессов при помощи вычислительных моделей, который основывается на практиковавшихся с 1950‐х годов количественных формах исследования города, радикально расширяя возможности последних с помощью соединения геоинформатики, исследования данных и социальной физики[118]. Если городская информатика более ориентирована на человека, заинтересована в понимании и упрощении взаимодействия между людьми, пространством и технологиями, то «точная наука о городе» стремится не только объяснить города в их современном виде (выявляя взаимодействия и «законы» в жизни города), но и предсказать и смоделировать возможные сценарии будущего в различных условиях, потенциально предоставляя муниципальным администрациям ценный ресурс для принятия решений и формирования курса планирования и развития города.
Большие данные о городе, городские операционные системы, городская информатика и аналитика «точной науки о городе» закладывают основание новой логики контроля и управления городом (сетевого урбанизма, основанного на данных), которая предусматривает мониторинг и менеджмент городских систем в режиме реального времени и создание тех феноменов, которые все чаще объединяются понятием умный город. Идею умного города можно проследить от экспериментов с городской кибернетикой в 1970‐е годы[119] к развитию новых форм городского менеджериализма и антрепренерства, включая умный рост (smart growth) и новый урбанизм 1980‐х и 1990‐х[120], к взаимопроникновению информационно-коммуникационных технологий и городских инфраструктур, а также – начиная с конца 1980‐х – к развитию первых форм сетевого урбанизма[121]. В современном понимании «умным» называется такой город, в котором инфраструктура сетей, связанные с ней большие данные и аналитика данных стратегически используются для создания:
110
Kitchin R. The real-time city? Big data and smart urbanism // GeoJournal. 2014. Vol. 79. № 1.
111
P. 1–14.
112
Dodge M., Kitchin R. Codes of life: Identification codes and the machine-readable world // Environment and Pla
113
Kitchin R. The opportunities, challenges and risks of big data for official statistics // Statistical Journal of the International Association of Official Statistics. 2015. Vol. 31. № 3. P. 471–481.
114
Kitchin R., Lauriault T., McArdle G. Knowing and governing cities through urban indicators, city benchmarking and real-time dashboards // Regional Studies, Regional Science. 2015. Vol. 2. № 1. P. 6–28.
115
Miller H. J. The data avalanche is here. Shouldn’t we be digging? // Journal of Regional Science. 2010. Vol. 50. № 1. P. 181–201; Kitchin R. The data revolution: Big data, open data, data infrastructures and their consequences. London: Sage, 2014.
116
Kelling S., Hochachka W., Fink D., Riedewald M., Caruana R., Ballard G., Hooker G. Data-intensive science: A new paradigm for biodiversity studies // BioScience. 2009. Vol. 59. № 7. P. 613–620.
117
Handbook of research on urban informatics: The practice and promise of the real-time city / Ed. by M. Foth. New York: IGI Global, 2009.
118
Batty M. The new science of cities. Cambridge, MA: MIT Press, 2013.
119
Flood J. The fires: How a computer formula, big ideas, and the best of intentions burned down New York city – and determined the future of cities. New York: Riverhead, 2011; Townsend A. Smart cities: Big data, civic hackers, and the quest for a new utopia. New York: W. W. Norton & Co, 2013.
120
Hollands R. G. Will the real smart city please stand up? // City. 2008. Vol. 12. № 3. P. 303–320; Wolfram M. Deconstructing smart cities: An intertextual reading of concepts and practices for integrated urban and ICT development // REAL CORP 2012: Re-mixing the city: Towards sustainability and resilience? / Ed. by M. Schrenk, V. V. Popovich, P. Zeile, P. Elisei. Schwechat: CORP, 2012. P. 171–181; Söderström O., Paasche T., Klauser F. Smart cities as corporate storytelling // City. 2014. Vol. 18. № 3. P. 307–320; Vanolo A. Smartmentality: The smart city as disciplinary strategy // Urban Studies. 2014. Vol. 51. № 5. P. 883–898.
121
Graham S., Marvin S. Splintering urbanism: Networked infrastructures, technological mobilities and the urban condition. New York: Routledge, 2001; Kitchin R., Dodge M. Code/Space: Software and everyday life. Cambridge, MA: MIT Press, 2011.